数据求职常出现的RFM是什么？如何影响电商行业营销策略？

想象一下，经营一家公司，向5万家杂货店和5万家加油站销售产品。你该如何分配你的营销预算？事实是，这些特定客户中的每一个都可能具有独特的特征，因此，平等对待整个加油站很可能会导致支出过度或不足。

客户类别，如加油站、市场、熟食店等，不足以捕捉基本的客户模式。那么，我们如何从客户数据中提取行为信息来进行营销活动呢？

RFM代表“近期购买”、“频率”和“货币价值”，涵盖了三个重要的维度来捕捉客户特征。

• 近期购买：客户最近的交易有多近？
• 频率：顾客全年购买产品/服务的次数？
• 货币价值：客户在一年中花费了多少钱？

我要处理的数据集是一家CPG公司的人工全年客户发票数据。

废话不多说，让我们卷起袖子，深入研究Python代码，逐个提取我们的维度！

频率

我首先得到频率特征及其分布图：

根据分布图，我们可以观察到大部分交易频率集中在0~10左右。这一发现表明，客户在一年中平均进行10笔交易。

货币价值

现在，我们填充我们的第二个维度：

平均而言，客户每年大约花费2000美元。可以很容易地注意到一些极端消费金额的异常值。

近期购买

最后一个维度：

对于近期购买超过100天甚至200天的客户，你会怎么说？我们已经失去他们了吗？这取决于行业。对于CPG行业来说，超过100天的被动客户通常被视为“流失”。

好了，现在我们将这些特性合并到一个数据游戏中，让我们将其可视化！

代码链接：https://github.com/kerimbirgun/RFM-Analysis/blob/main/RFM%20Analysis.ipynb

这不过是一堆乱七八糟的客户，让人不禁要问：

我们如何分割它们？

大多数数据科学家试图通过实现K-Means聚类来回答这个问题，K-Means聚类基本上是一种机器学习算法，用于根据数据点彼此之间的距离将数据分割成簇：(https://stanford.edu/~cpiech/cs221/handouts/kmeans.html)

然而，我主张手工方法，因为ML算法不考虑任何行业特定的动态。因此，我将遵循两个关键步骤来战胜这一挑战：

1-分位数变换和排序

简单地说，分位数是指样本被划分成大小相等的子组。四分位数也是分位数；他们把分配分成四等份。在本例中，我将RFM值划分为4个四分位数，并根据它们的值简单地标记它们。（very bad-bad-good-very good)。以下是dataframe转换成的内容：

2-通过RFM排名进行细分

这就是业务理解发挥作用的地方。我用一堆“if-else语句”编写了一个python函数，根据RFM排名来定义段。例如，我提取了一个F-M级别为“very good”，R级别为“very bad”的客户细分。这意味着该客户曾经非常活跃和有价值，但距离最近的交易已经很长时间了。因此，公司迫切需要把这个群体赢回来！下面所述的函数是我个人的方法，你可以根据不同的市场动态来调整这些类。

开始吧！我们成功地创建了我们的客户群，可以有效地设计你未来的营销策略！一个优雅的树形图在反映全局方面非常有用：

代码链接：https://github.com/kerimbirgun/RFM-Analysis/blob/main/RFM%20Analysis.ipynb

下面是通过R-F-M创建的客户细分的分析。注意每个群体是如何有自己的行为模式并进行有意义的区分。

简而言之，RFM是一个强大的分析观点，可以通过客户的行为特征来区分客户。不用说，通过分析来利用业务不仅需要扎实的数据科学技能，还需要整体的业务理解。

非常感谢你的阅读，我希望在下面的评论部分听到你的想法！

你可以找到下面的整个代码：

https://github.com/kerimbirgun/RFM-Analysis/blob/main/RFM%20Analysis.ipynb

原文作者：Kerim Birgun
翻译作者：过儿
美工编辑：过儿
校对审稿：Dongdong
原文链接：https://kerim-birgun.medium.com/boost-your-marketing-strategy-with-rfm-c737926fe621